社区

作者 | 白线 WhiteLine

寻找方向，在变化到来之前

《白线 WhiteLine》由吴说团队出品，从 Crypto 走向更广阔的资本市场，关注 AI 时代下的趋势变化。

2026 年 8 月 4 日，华尔街投资人 Gavin Baker 在 Invest Like the Best 节目中表示 7 月份尽管 AI 的各个明星股发生大幅回调，但他认为GPU 价格、Token 使用量和 Hyperscaler、经营现金流等关键指标仍未明显转弱。在他看来，真正可能推翻 AI 多头逻辑的风险，不是短期股价下跌，而是算力需求降温、现金流无法兑现，以及整个 AI Build-out 最终不得不过度依赖债务融资，并试图回答一个更根本的问题：这轮 AI 超级周期究竟还能够持续多久？

Gavin Baker 是美国资深科技投资人，曾在富达任职 18 年，现为 Atreides Management 创始人兼 CIO，也是华尔街较具代表性的 AI 多头之一。他认为，本轮 AI 浪潮本质上是一场受 GPU、电力、先进晶圆和内存等物理瓶颈约束的超级周期。

7 月股价与基本面背离：AI 基本面究竟发生了什么？

主持人：Gavin，我们现在差不多每两个月录一次。按照现在模型发布的节奏来看，我们两个人的播客基本已经跟 AI 模型的 Release Cycle 同步了。

Gavin Baker：我之前其实有点在意一个批评。有人指出，我们每次录播客的时间，好像刚好都和局部市场顶部重合。但这一次，应该没人还能这么说了。7 月像是把 2022 年压缩进了一个月。

当然，确实存在一些基本面的负面因素，但整体来看，我认为基本面的天平其实是在明显改善的。虽然很多 AI 明星股已经比高点跌了 50% 到 60%。保守一点说，大概是一个月内直线下跌了 40% 到 60%。但几乎没注意到任何一个关于 AI 的负面定量指标，也几乎没有任何一个指标显示增长正在减速。反而几乎所有的指标都还在加速。

主持人：而且就像你说的，这不是一群对 AI 很兴奋的人在盲目乐观。他们是真的可以拿出数据来，而且这些数据来自不同的观察角度。

Gavin Baker：完全是这样。无论看 GPU 供给、GPU 租赁价格、DRAM 现货价格，还是 Token 使用量，几乎所有我们能观察到的指标都还在加速。

我觉得市场现在最大的问题之一，是对 Anthropic、OpenAI 这类私营 AI 公司的经营情况缺乏足够可见度，也很难看到那些正在承接推理需求、实现商业化的 AI 基础设施公司的真实数据。如果把这些公司纳入进来，整个 AI 产业的现金流图景会完全不一样。

与此同时，开源模型的进展也明显提速。过去几个月，新模型发布速度很快，OpenAI 自身的增长也依然强劲，收入仍在快速扩张。我认为，这些私营 AI 公司很可能已经在创造相当可观的自由现金流，只是因为它们没有上市，市场很难直接看到。

现在市场经常引用一张图：半导体公司的现金流不断上升，而 Hyperscaler 的自由现金流因为资本开支持续走弱。这张图很容易让人得出一个结论——AI 产业链上游在赚钱，而云厂商在不断烧钱。

但这个判断漏掉了两件事。第一，它没有计算 OpenAI、Anthropic 等私营公司的现金流；第二，它也低估了 GPU 定价的变化。

2024 年和 2025 年时，几乎所有人都认为 GPU 价格迟早会下降。乐观的人认为会缓慢下降，悲观的人则认为价格会快速下跌。但几乎没人预期到，到了 2026 年，GPU 算力价格仍然如此坚挺，部分现货价格甚至还在上涨。

这反而让此前签下长期算力合同的公司获得了很大的价格优势。很多 Neo-cloud 当时为了获得融资、建设数据中心，需要提前锁定长期采购合同。现在回头看，这些合同的价格实际上远低于当前现货市场。

随着旧合同陆续到期，算力价格会重新定价。即便未来 GPU 现货价格有所回落，很多存量合同的实际结算价格仍可能上升。这也是为什么我认为，接下来云厂商的收入和现金流还会继续改善，而这最终会回答市场一直在追问的那个问题：AI 的投资回报究竟在哪里？

其实这个季度已经开始出现迹象。如果看经营现金流，而不是扣除资本开支后的自由现金流，Microsoft、Meta 和 Amazon 的经营现金流增速已经从大约 28% 加快到 32%。

而且这一季度还有一些较大的非经常性支出，主要包括法律和监管相关费用。如果把这些因素剔除，增速可能接近 35%。对于 Microsoft、Meta、Amazon 这种体量的公司来说，从 28% 加速到 35% 是非常显著的变化。更重要的是，这还没有真正体现 Rubin 等下一代 GPU 大规模部署后的影响，也没有完全反映旧算力合同未来重新定价的效果。所以过去这个月虽然市场表现非常差，但如果把基本面拆开来看，很多指标反而在变好。

Meta 出租算力之后，市场是否误判了 AI 需求？

Gavin Baker：我们可以按时间顺序梳理一下，市场到底是怎么走到今天这一步的。最早的一波担忧来自 Meta。市场听说 Meta 准备把部分算力对外出租后，很快把它解读成利空：是不是 Meta 出现了算力过剩？是不是资本开支准备见顶甚至下降？如果真是这样，那整个 AI 基础设施投资逻辑是不是出了问题？

但事情根本不是市场理解的那样。Meta 最新披露的资本开支并没有下调。更可能的情况是，他们看到 SpaceX 已经拥有相当规模的算力，并且能够把一些针对训练优化的大型算力集群，以远高于长期合同价的价格卖到现货市场。至少从分析师的角度看，Meta 可能只是发现了一个新的商业机会。

当时市场还有很多猜测，认为 Meta 可能准备进一步融资。假设它先拿出一小部分算力对外出租，证明这部分资产能够产生非常高的内部回报率，再去股权市场融资，反而可能支持更大的资本开支。当然，现在看起来未必真的是这个计划。

但当时市场把“Meta 出租算力”直接理解成了过剩产能和资本开支见顶，因此迅速抛售。我当时就很确定，这不是一个负面信号。因为从我们能够观察到的各种指标来看，Meta 的资本开支计划完全没有收缩。恰恰相反，它还在变得更加激进。

随后 Meta 又发布了近两年来表现最好的模型之一。虽然它的关注度被 Grok 4.5 抢走了，但模型本身相当不错，也明显好于市场此前的预期。所以很难说 Meta 正在放慢 AI 投资。

接下来 Kimi 发布，市场又开始担心开源模型会冲击闭源模型的商业模式。与此同时，Silicon Data Token Index 出现下滑并趋于平缓，于是很多人把这两件事情联系起来，认为 AI 需求可能正在降温。

但我觉得，这同样是对数据的误读。Silicon Data Token Index 反映的很大程度上是 Token 的结构变化，而不是单纯的 Token 总需求。随着 GLM 5.2、Kimi 等开源模型逐步进入实际使用，Token 消费开始从价格较高的前沿闭源模型，转向成本更低的开源模型。

前沿模型的推理毛利率可能非常高，究竟是 80%、90% 还是 95% 可以讨论，但总之处在很高的水平。因此，当开源模型获得更多份额时，表面上看到的是 Token 单价下降，以及高毛利的闭源模型收入受到挤压。市场把这理解成 AI 需求变弱，但从算力角度看，事情并不是这样。

在其他条件相近的情况下，生成一个 Token 仍然需要消耗算力、内存和电力。不同模型的 Token 当然不能完全等同，但从大的方向看，开源模型抢走份额，主要改变的是利润在产业链上的分配，而不是让算力需求凭空消失。

它实际上是把一部分利润从前沿模型厂商手里转移出去。而且由于开源模型价格更低，还会产生需求弹性：Token 变便宜之后，用户会使用更多 Token，最终反而需要更多算力。

无论是 Anthropic 这样的闭源模型，还是各种开源模型，底层最终都要运行在云服务商和算力基础设施之上，而云厂商仍然是按算力收费。所以从产业链角度看，开源模型获得份额，并不一定意味着 AI 基础设施需求受损。更可能发生的是，利润从前沿模型层向算力和基础设施层重新分配，同时更低的模型成本刺激更大的 Token 使用量。

黄仁勋可能是全球最坚定的开源支持者之一。他是一个非常理想主义的人，也很有美国式的产业使命感。我相信，即使开源对 Nvidia 不利，只要他认为这是正确的事情，他可能还是会支持。但反过来说，如果开源真的会严重伤害 Nvidia 的生意，那么黄仁勋如此积极地推动开源，本身就很难解释。

而且我认为，开源对整个行业非常重要。如果未来只有一两个前沿模型占据绝对主导地位，并且长期维持接近 90% 的利润率，这对用户未必是好事，对整个社会也未必健康。我们之前也讨论过，我更希望市场上存在大量不同的模型。

市场消化完开源模型这件事之后，接着又出现了中国国产 DUV 光刻机的消息。由于市场里很多资金都挤在同一批半导体交易上，这个消息又引发了一轮半导体设备股的集中抛售。但再往后，才出现了我认为真正值得担心的问题：实际利率开始上升。

AI 泡沫真正的风险在于信贷市场

Gavin Baker：AI 基础设施需要巨额投资，虽然目前大部分资本开支仍然可以由 Hyperscaler 自身的经营现金流覆盖，但债务融资的重要性确实正在上升。所以现在我们看到实际利率上升、信用利差扩大。Meta 上周发行了一笔债券，但最终的定价并没有达到市场通常会预期的 Meta 这种信用级别应有的水平。

主持人：而且在这之前，CDS 已经开始出现变化。

Gavin Baker：对。现在不只是 Meta，几乎所有相关公司的 CDS 都在走阔。一些非常聪明的私募信贷投资者会说，这其实很正常，因为银行此前承诺了大量融资，现在只是在通过 CDS 对冲自己的风险敞口。这个解释可能是对的，但从市场表面来看，确实不好看。

CDS 上升、信用利差扩大、实际利率走高，这些都是客观存在的事实。如果整个 AI 基础设施建设真的高度依赖债务融资，那我会非常担心。但这也是为什么，我一直强调现有算力的长期合同价格与现货价格之间的巨大差距非常重要。因为只要大量已经部署的算力仍然可以随着旧合同到期而向更高价格重新定价，云厂商自身产生的经营现金流就可能继续增长，从而降低整个 AI Build-out 对外部债务融资的依赖。

主持人：所以接下来非常重要的一点，就是搞清楚未来半年 AI 基础设施建设到底需要什么样的融资结构。

Gavin Baker：核心问题就是：这一轮 Build-out 到底有多大程度需要依赖信贷市场。

主持人：如果这一轮扩张最终高度依赖债务，那就会进入一个非常典型的资本周期：大家过度举债、过度扩张，最后问题就会集中暴露。

Gavin Baker：完全正确。债务驱动的基础设施扩张有一个很大的问题，就是债务需要持续偿付。一旦供需关系稍微失衡，整个体系就可能非常快地逆转。互联网泡沫时期其实就发生过类似的事情。所以如果你像我一样总体仍然看多 AI，那么现在最值得认真压力测试的风险，就是信贷。

这次回调之后，我其实把自己的判断重新检验了一遍，尤其深入研究了债务融资的问题。因为这个风险是真实存在的，也没办法回避：如果未来 AI 基础设施建设必须大量依赖信贷，那确实会是一个非常重要的负面因素。

但如果把未来几年计划上线的数据中心容量，以及市场目前对 Hyperscaler 的一致预期放在一起看，我觉得市场可能低估了这些算力最终能够产生的现金流。

现在市场在模型里，对未来新增的 Blackwell、Rubin，以及 Nvidia 下一代 GPU 算力，实际上采用了非常保守的变现假设。很多一致预期，大致是在假设这些下一代 GPU 的单位算力收入，只能达到 Ampere 时代的水平。Ampere 已经比现在落后了两代，中间还隔着 Hopper。

按照这种非常保守的假设，Hyperscaler 未来的经营现金流大概是 1.3 万亿到 1.4 万亿美元。但我认为，新一代 GPU 最终只按照 Ampere 的水平变现，这种可能性其实很低。这里面有很多原因。一部分来自我们在硅谷看到的实际需求，包括私营 AI 公司现在对算力的使用情况，以及各种真实的定性和定量需求指标。

即使我们不采用最乐观的假设，只是假设未来这些算力的价格低于当前 Blackwell 的水平，那么 Hyperscaler 的经营现金流也可能更接近 2 万亿美元。这中间大约有 7000 亿美元的差额。如果这些现金流真的兑现，就意味着原本可能需要通过信贷市场融资的 7000 亿美元，可以直接被内部现金流覆盖。

与此同时，随着现有算力合同陆续到期、价格重新向上调整，Hyperscaler 的经营现金流还有可能继续加速。而市场当前的一致预期反而是在预测经营现金流增速放缓，我觉得这种判断未必成立。如果现金流继续改善，所有信用指标都会随之变好，债务融资也会突然变得容易很多。当然，这并不意味着这些公司一定会选择举更多债。它们最终采用什么样的融资结构，我们还要继续观察。

AI 投资的时间差：收入何时能够追上资本开支？

Gavin Baker：我们其实讨论过一个风险，我当时把它叫作“Blackwell Air Pocket”。逻辑是这样的：Hyperscaler 花几千亿美元采购 Blackwell GPU，但这些 GPU 刚开始大量被用于训练，而训练本身并不会立刻产生收入。所以理论上会出现一段时间：资本开支已经发生了，但收入和现金流还没有跟上。

这就是所谓的“Air Pocket”，也就是中间可能出现一个现金流真空期。实际上，今年第一季度确实看到了一些类似的迹象。但两期节目之前，我之所以开始对这个风险没那么担心，是因为 Anthropic 等公司的实际增长表现太强了。当时我的判断是，市场会愿意先忽略这段短期的现金流错配。

事实上，4 月、5 月和 6 月，市场确实一直在忽略这个问题。到了 7 月，由于前面提到的一系列因素同时出现，市场突然不再愿意忽略它了。有意思的是，也恰恰就在这个时候，Hyperscaler 的经营现金流开始明显加速。这不是主观判断，而是已经反映在数据里的事实，而且是在非常大的收入和现金流基数上继续加速。

比如 Microsoft 在 6 月上线了很大一批新增算力，但由于上线时间太晚，这部分产能甚至还没有真正反映在第二季度业绩里。所以整个问题最终可以归结成一个非常简单的判断：你是否相信，现在硅谷这些私营 AI 公司所表现出来的真实需求，能够继续维持？

如果答案是肯定的，那么随着现有长期算力合同逐步到期，已经部署的算力就有机会以更高价格重新定价。而一旦这个过程发生，Hyperscaler 的经营现金流就会继续改善，整个 AI 基础设施建设对债务融资的依赖程度，也可能比市场现在担心的低得多。

Gavin Baker：对，经营现金流会继续上升。如果现有算力在合同到期后能够按照当前市场价格重新定价，那么未来几年，大部分甚至全部 AI 基础设施投资，都有可能直接由经营现金流来覆盖。所以最近这段市场表现其实很反常。

从技术分析的角度看，市场持续下跌本身当然值得警惕。因为回头看 2022 年，当时市场担心的是经济衰退、加息和通胀，大家很清楚自己在担心什么；DeepSeek 出现的时候，市场也知道自己在担心什么；“Liberation Day”之后也是一样，风险点都非常明确。

但这一次，我们刚才其实已经列出了很多可能的原因。除了信贷市场之外，其他很多理由在我看来都没有那么有说服力。所以市场在这些基本面并没有明显恶化的情况下继续下跌，反而会让人有点不安。因为真正危险的，往往可能是那个你还没有看到的风险。

我们以前也聊过，我觉得投资里最重要的概念之一就是 Margin of Safety，也就是安全边际。但同样重要的是，你必须承认自己“不知道”。你过去两个月一直在这里，我也一直在和公司交流。今天早上我刚刚和一家非常热门的 AI 初创公司聊过，他们现在正在续租一个几千张 Blackwell GPU 的算力集群。

大概六七个月前，他们租下一个类似规模的集群，每张 GPU 每小时的价格大约在 2 美元中段。现在，他们准备续租一个规模几乎一样、配置也基本相同的 B200 集群，目标价格已经接近每张 GPU 每小时 4 美元。也就是说，仅仅六七个月，价格就上涨了大约 50% 到 60%。

这其实非常反常。正常情况下，大家会预期随着供给增加和硬件迭代，单位算力价格应该逐步下降，但现实却恰恰相反。类似的例子其实很多。我记得有一家推理云公司之前上过播客，他们直接说，等现有 Blackwell 合同到期后，预计续约价格可能会比现在高 100%。

如果这些案例具有代表性，那就意味着 Hyperscaler 手里的算力资产其实拥有非常强的重新定价能力。所以我这周出来最主要做的一件事，就是不断给自己的判断做压力测试。

主持人：也就是主动找反例。

Gavin Baker：对。告诉我一些真正负面的东西。我一直在问所有人同一个问题：你有没有看到哪怕一个真正转弱的定性指标？

主持人：目前大家提得最多的，是一些第三方数据显示，Anthropic 原来的增长曲线似乎开始稍微偏离之前的轨迹。这可能是我听到的唯一一个相对负面的信号。

Gavin Baker：这个完全可能是真的。但问题是，你同时还要看 OpenAI，而且开源模型的增长正在大幅加速。如果把这些需求放在一起看，我并不觉得整体趋势在恶化，甚至可能还在加速。我觉得开源模型有点像宇宙里的“暗物质”。对于公开市场来说，它非常重要，但又很难被直接测量。你很难从上市公司的财务报表里完整看到它到底发生了什么。

但如果你去跟踪这些推理云厂商在播客、会议或者私下交流里透露的信息，虽然这些都不是经过审计的财务数据，但方向其实非常清楚：需求还在加速。这也很合理，因为 GLM 5.2、Kimi K3 等模型带来了非常明显的能力跃迁。我认为这种趋势还会继续，Nvidia 也会不断把 Nemotron 这样的开源模型推得越来越接近最前沿水平。

所以过去这个月确实很难熬，但另一方面，我也觉得很有意思。因为这次回调反而逼着我把几乎所有核心假设重新检验了一遍，而到最后，7 月的基本面并没有恶化，反而还在改善。

以 Nvidia 为例，我们录这期节目时，它的远期市盈率已经降到了过去两年的最低水平。过去两年里，Nvidia 只有在“Liberation Day”和 DeepSeek 冲击期间短暂出现过更低的估值，而那两次最后都形成了非常典型的 V 型反弹。

主持人：这对你来说意味着，市场现在实际上是在押注 Nvidia 的盈利处于异常高位，未来会明显回落？

Gavin Baker：对。市场现在几乎百分之百是在假设，这些公司目前的盈利水平不可持续，未来会出现明显下修。当然，我们必须保持谦逊，也许市场是对的。

但我这周来硅谷，最主要的任务就是尽可能寻找负面数据，主动挑战自己的判断。正常情况下，我每次来硅谷都会听到一些好消息，也会听到一些坏消息。科技行业长期会创造价值，但短期永远会有正负两面的信号。可这次我几乎找不到真正明确的负面定量指标。

唯一比较接近的，就是刚才提到的 Anthropic 第三方数据，显示它的增长曲线可能有所放缓。但这个数据本身争议也很大。一些 Anthropic 股东非常想告诉你他们掌握的内部情况，认为第三方数据并不准确。但与此同时，他们又很谨慎，因为如果公司知道他们在外面透露太多信息，他们也会担心未来 IPO 时拿不到配售。

所以你会看到一种很有意思的状态：他们非常想告诉你，“情况其实很好，外面的数据不对”，但又不敢说得太具体。而且从逻辑上讲，我也很难相信，在 OpenAI 和开源模型都明显加速的情况下，整个需求会突然出现大幅恶化。当然，Anthropic 某一阶段的相对份额出现变化完全有可能。毕竟现在竞争越来越激烈。

另外，Grok 和 Cursor 的第三方数据也很强。7 月其实是一个变化非常大的月份，Grok 4.5 以及一系列新产品陆续推出，整个市场的产品节奏都在明显加快。所以过去这个月确实很难判断。我在 Fidelity 有一个朋友，他总结过去三年的市场交易方式很有意思：最有效的策略，往往就是尽快去做那个最简单、最表面的交易，然后等下一个叙事出现，再迅速切换过去。

AI 工具可能让泡沫和崩盘来得更快

主持人：那按照这个逻辑，现在最简单的那笔交易是什么？

Gavin Baker：过去这个月，最简单的交易其实就是降风险、减仓。市场一直在根据各种叙事调整仓位，但除了信贷之外，我觉得其中很多叙事从事实层面看并不成立。而且我们做完研究以后，我反而觉得，随着现有算力合同逐步重新定价，信用状况应该会改善。

退一步讲，就算未来建设更多 FLOPs 确实需要信贷支持，如果信贷市场不愿意提供融资，那只会意味着新增算力更难建出来。结果反而是，已经存在的算力会变得更加稀缺、更加值钱。这里还有一个很有意思的现象。我们以前聊过 Michael Mauboussin 的一个观点：当市场中的观点多样性开始消失，所有人越来越按照同一种方式思考时，反而更容易形成泡沫和崩盘。

现在不管是散户还是机构，只要做公开市场投资，几乎每一条新消息都会立刻被丢进 Claude，有时候是 Claude Code，有时候直接交给 Claude Agent，然后让它给出解释。但 Claude 本质上是一个概率模型。面对同一条新闻，不同用户得到的解释可能并没有那么大差异。

这让我觉得，股票市场正在出现一种以前从未真正存在过的状态。过去大家总说媒体越来越碎片化。以前有 Walter Cronkite 这样的“权威声音”，大家会围绕同一个信息源形成共识；后来这种统一的信息中心消失了。但现在在股票市场里，Claude 某种程度上又变成了新的 Walter Cronkite。

大家拿到一条消息之后，都去问 Claude，然后很多人直接按照 Claude 的解释去交易。这套系统非常聪明，但它并不总是正确。尤其投资本来就是在对未来进行概率判断，任何单一模型对未来的解释都不可能永远准确。

所以现在市场经常出现一种情况：一条新闻出来，被 Claude 解释成某种逻辑，大量资金立刻按照同一种逻辑交易，结果市场反应会被极度压缩和加速。有一个半导体圈的人最近发了一张非常有意思的图，是日本电容器股票的走势。他说，我们在六周时间里，已经完整走完了一轮“电容器周期”。

这其实很准确。那些股票可能翻了一倍、两倍甚至三倍，先垂直上涨，然后又迅速回落。最夸张的是，真正的基本面甚至还没有完全兑现，但市场已经在六周内走完了过去可能需要三年才能完成的一轮周期。

主持人：你最近一直在硅谷，也接触了很多一线公司。我尤其好奇的是，现在围绕推理效率、模型训练效率，包括整个 AI 基础设施效率的提升，正在发生哪些真正重要的创新？这些长期研发方向，未来又会怎样影响公开市场？有没有什么进展，是你最近看到以后特别兴奋或者特别值得关注的？

Gavin Baker：我现在非常关注 Continual Learning，也就是持续学习，以及 Sample-Efficient Learning，也就是样本高效学习。我接触到的不少人都觉得，这两个问题可能已经越来越接近被解决。如果真的解决了，我觉得这可能会带来一次非常重要的不连续变化。

现在训练前沿模型，需要消耗极其庞大的数据量。有人跟我做过一个类比：一个人一生实际接触到的语言信息量，可能相当于大约 200 亿个 Token，而现在的大模型训练规模已经到了数百万亿 Token。

如果未来你可以只用比如 10 万亿 Token 训练出一个模型，然后把它部署到真实世界里，让它能够持续学习，而且学习效率非常高，那么对传统预训练算力需求来说，当然未必是好消息。但从整个 AI 算力市场来看，我并没有特别担心。